Regressiemetrieken: MAE, MSE en R2
Fouten in numerieke voorspellingen meten
Regressiemetrieken: MAE, MSE en R2 is een gratis Data Science Academy-les op CoddyKit. Dit is les 1 van 4. Je kunt de volledige les hieronder gratis lezen en daarna in de browser praktisch oefenen met een ingebouwde code-editor en een AI-begeleider die 24/7 beschikbaar is. Deze les maakt deel uit van het leertraject Data Science Academy. Je voortgang wordt gesynchroniseerd op het web en in de CoddyKit-app. De cursus Data Science Academy bevat in totaal 4 lessen.
Waarom je fouten meet
Wanneer een model getallen voorspelt, heb je één eerlijke score nodig voor hoe ver de voorspelling ernaast zit. Die score is een foutmaat, je waarheidsverteller. 📏
Het idee van residuen
Begin met het residu: het verschil tussen de echte waarde en de voorspelde waarde. Elke regressiemetriek is simpelweg een manier om deze verschillen samen te vatten.
residual = y_true - y_predGemiddelde absolute fout
MAE neemt de grootte van elke fout, negeert het teken en berekent daarvan het gemiddelde. Zo zie je hoe groot de typische afwijking is, in dezelfde eenheden als je doelvariabele.
from sklearn.metrics import mean_absolute_error
mean_absolute_error(y_true, y_pred)MAE is eenvoudig uit te leggen
Omdat MAE in echte eenheden blijft, kun je zeggen dat het model gemiddeld ongeveer 5 dollar afwijkt. Belanghebbenden waarderen die eenvoudige uitleg.
Gemiddelde kwadratische fout
MSE kwadrateert elke fout voordat het gemiddelde wordt berekend. Kwadrateren bestraft grote afwijkingen veel sterker, waardoor enkele grote fouten de score domineren.
from sklearn.metrics import mean_squared_error
mean_squared_error(y_true, y_pred)Kwadrateren verandert de eenheden
Er is wel een nadeel: MSE gebruikt gekwadrateerde eenheden, dus dollars worden gekwadrateerde dollars. Het getal is op zichzelf moeilijk te interpreteren.
Wortel van de gemiddelde kwadratische fout
Neem de vierkantswortel van MSE om RMSE te krijgen, weer in normale eenheden. De zware bestraffing van grote fouten blijft behouden, maar de uitkomst is gemakkelijker te lezen.
rmse = mean_squared_error(y_true, y_pred) ** 0.5MAE versus RMSE
Kies MAE wanneer elke fout even zwaar weegt, en RMSE wanneer grote fouten extra kostbaar zijn en je die sterker wilt bestraffen.
De R-kwadraatscore
R2 stelt een andere vraag: welk deel van de variatie in de doelvariabele je model verklaart. Een hogere waarde betekent een betere fit.
from sklearn.metrics import r2_score
r2_score(y_true, y_pred)R-kwadraat lezen
Een R2 van 1,0 is perfect; 0,0 is niet beter dan het gemiddelde raden. De waarde kan zelfs negatief worden wanneer een model slechter past dan dat.
Gebruik ze samen
Geen enkel getal vertelt het hele verhaal. Combineer een foutmaat zoals RMSE met R2 om zowel de typische afwijking als de algehele fit te zien.
Korte controle
Laten we precies bepalen wat elke regressiemetriek meet.
Samenvatting
Gebruik MAE voor de begrijpelijke gemiddelde fout, RMSE om grote afwijkingen te bestraffen en R2 voor het verklaarde deel van de variantie. Bekijk ze samen. 🎯
Leer Python met een AI-tutor — gratis
Schrijf echte code en voer die uit in je browser, krijg direct hulp van een AI-tutor die 24/7 beschikbaar is en ga verder waar je gebleven bent op het web of in de app.
- Cursussen
- 30
- Lessen
- 120
Veelgestelde vragen
Is de les “Regressiemetrieken: MAE, MSE en R2” gratis?
Ja — de volledige tekst van “Regressiemetrieken: MAE, MSE en R2” kun je hier gratis op het web lezen. Als je interactief wilt oefenen met een ingebouwde code-editor en een AI-begeleider die 24/7 beschikbaar is, en de rest van de cursus Data Science Academy wilt ontgrendelen, kun je upgraden naar CoddyKit PRO. De cursus Data Science Academy bevat in totaal 4 lessen.
Wat leer ik in “Regressiemetrieken: MAE, MSE en R2”?
Fouten in numerieke voorspellingen meten Je oefent met Data Science Academy door code rechtstreeks in de browser uit te voeren. Een AI-begeleider die 24/7 beschikbaar is beantwoordt je vragen terwijl je de les doorwerkt.
Heb ik ervaring nodig om met Data Science Academy te beginnen?
Ervaring vooraf is niet nodig. Data Science Academy op CoddyKit is opgebouwd voor beginners tot gevorderden, zodat je hier of bij het begin kunt starten en in je eigen tempo kunt leren. Dit is les 1 van 4.
Hoe lang duurt de les “Regressiemetrieken: MAE, MSE en R2”?
De meeste lessen van CoddyKit duren ongeveer 5–10 minuten. Elke les is kort en interactief, zodat je gestaag vooruitgaat en op het web en in de app precies verdergaat waar je was gebleven.
Kan ik code schrijven en uitvoeren in deze les over Data Science Academy?
Ja. Elke les over Data Science Academy bevat een ingebouwde code-editor, zodat je rechtstreeks in je browser echte code kunt schrijven en uitvoeren en direct feedback van AI krijgt — lokale installatie is niet nodig.
Alle lessen in deze cursus
- Regressiemetrieken: MAE, MSE en R2
- De confusion matrix ontrafeld
- Precisie, recall en F1
- ROC, AUC en drempels